Ming-3.0-tts-0.5B против VoxCPM2: один побеждает в словах, другой — в голосе

Существует ровно одно опубликованное сравнение Ming-3.0-tts-0.5B и VoxCPM2, и его написала Ant Group. В собственной карточке модели Ant Group оценивает две многоязычные речевые модели на тестовом наборе Mi​niMax по немецкому, испанскому, французскому, корейскому и японскому языкам. Ming-3.0-tts-0.5B выдает более точные слова в четырех из пяти языков. VoxCPM2 выдает более достоверный голос во всех пяти. Эта единственная закономерность — точность содержания у чекпойнта 0.5B, сходство с диктором у 2B — самое полезное, что кто-либо публиковал об этом противостоянии, и это собственная таблица производителя, поэтому она же и больше всего нуждается в оговорке. Ant Group выигрывает по показателю ошибок, который компания решила опубликовать, и проигрывает по оценке сходства на той же странице. Задокументированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит свои источники, уровень серьезности, степень уверенности и отметку об оспаривании.

Обе модели имеют открытые веса, обе допускают коммерческое использование, и обе эксплуатируются вами, а не вызываются как сервис. Ming-3.0-tts-0.5B — это плотная модель Ant Group под лицензией MIT на базе Qwen2.5-0.5B с диффузионно-трансформерной головой, опубликованная на Hugging Face 24 сентября 2026 года, а код инференса появился на GitHub 19 октября 2026 года, причём ни для одной из них не было анонса от вендора. VoxCPM2 — это чекпойнт OpenBMB под лицензией Apache-2.0 от апреля 2026 года, диффузионно-авторегрессионная модель на 2B без токенизатора на базе MiniCPM-4. Всё ниже следует из этой разницы в размере и лицензии, а также из того факта, что у одной из них есть независимая оценка арены, а у другой нет.

Что на самом деле сказано в собственной таблице Ant

Многоязычный тестовый набор MiniMax сообщает об ошибке контента — частота ошибок в словах для немецкого, испанского и французского, частота ошибок в символах для корейского и японского — наряду с косинусной метрикой сходства говорящего. Чем ниже ошибка, тем лучше; чем выше сходство, тем лучше. Компания Ant сама запустила обе модели. Ничто здесь не было воспроизведено третьей стороной, и сопровождающие VoxCPM2 не опубликовали таблицу-опровержение, которую мы смогли бы найти.

• Немецкий — Ming-3.0-tts-0.5B: ошибка 0.365, сходство 0.753; VoxCPM2: ошибка 0.963, сходство 0.790.

• Испанский — Ming 1.099, сходство 0.763; VoxCPM2 1.324, сходство 0.836.

• Французский — Ming 4,264, сходство 0,675; VoxCPM2 3,380, сходство 0,761. Это единственный язык, где рейтинг ошибок меняется на противоположный.

• Корейский — Ming 1,728, сходство 0,793; VoxCPM2 3,547, сходство 0,839.

• Японский — Ming 3,765, сходство 0,765; VoxCPM2 4,358, сходство 0,825.

Прежде чем какая-либо из моделей получит признание, стоит обратить внимание на две вещи. Во-первых, разрыв по немецкому языку велик — 0.365 против 0.963, — тогда как разрывы по корейскому и японскому меньше, а французский результат идёт в противоположную сторону; поэтому «более точная» — это утверждение применительно к каждому языку отдельно, а не общее. Во-вторых, показатели ошибок на французском высоки у каждой модели в этой таблице; конкурент, указанный рядом с ними, получает там 19.878. Язык, на котором весь ряд участников скапливается на плохих числах, — это язык, где часть работы выполняет тестовый набор, а не модели. Считайте французский результат неубедительным, а не победой VoxCPM2.

Почему столбец сходства — это тот, который нужно прочитать дважды

Схожесть с диктором показывает, насколько синтезированный голос звучит как эталонный. Именно эта метрика отличает демо от продукта: клонированный голос, который «уплывает», выбивает слушателя из сцены, даже когда каждое слово произнесено правильно, и никакая последующая оценка ASR никогда не сообщит вам, что это произошло.

Ming проигрывает по всем пяти языкам с отрывом от 0,037 (испанский) до 0,086 (французский). Это косинусные расстояния в ограниченном диапазоне, поэтому разрывы невелики, но устойчивы, а согласованность по пяти языкам труднее объяснить случайностью, чем одну плохую строку. Откровенное объяснение содержится в собственной карточке Ant, где прямо сказано, что сходство голоса диктора уступает точности содержания. Модель настраивали в первую очередь на то, чтобы правильно передавать слова.

Есть вторая, более конкретная причина ожидать этого, и она архитектурная. VoxCPM2 декодирует на частоте 48 кГц через встроенный этап суперразрешения в своём токенизаторе AudioVAE V2 и принимает эталонный клип на 16 кГц, при этом всё равно выдавая результат на 48 кГц. Ming-3.0-tts-0.5B работает на частоте 44,1 кГц. Частота дискретизации — это не сходство: более высокая частота не делает голос более точным, — но конвейер VoxCPM2 явно построен вокруг сохранения характера эталонного голоса на этапе передискретизации, и это архитектурное решение, которого модель с 0,5B параметров и встроенным кодировщиком говорящего не принимает.

Итак, честная трактовка не в том, что «VoxCPM2 клонирует лучше, потому что она крупнее». Она в том, что две модели оптимизируют разные половины одной и той же цели, и таблица от производителя показывает, что каждая выигрывает свою половину.

Клиппинг голоса: два API, две философии

Оба выполняют zero-shot-клонирование по короткому фрагменту. Механизмы различаются достаточно сильно, чтобы это имело значение, если вы пишете интеграцию.

• Ming-3.0-tts-0.5B — одна точка входа, аргумент задачи. MingTTS("inclusionAI/Ming-3.0-tts-0.5B"), затем synthesize(task=...) с prompt_wav_path, prompt_text и use_spk_emb. Задачи включают TT​S, VOICE_DESIGN, MULTILINGUAL, DIALECT, EMOTION, FREEFORM и IP. Чекпоинт объединяет backbone, DiT-голову, аудиотокенизатор и энкодер диктора Campplus, поэтому клонирование — полноценная задача, а не отдельный конвейер.

• VoxCPM2 — pip install voxcpm, затем VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False). Голосовой дизайн — это префикс в круглых скобках к самому тексту, "(description)text", с cfg_value=2.0 и inference_timesteps=10 в качестве документированных начальных значений.

Следствие таково: интерфейс управления Ming структурирован, а у VoxCPM2 он текстовый. Ming предлагает именованные задачи с документированными взаимоисключениями — FREEFORM нельзя сочетать с дизайном голоса, встроенным голосом, управлением эмоциями, диалектом или атрибутами, а мультиязычная задача требует явного language_id для пяти некитайских языков. Это значит, что нужно больше изучать и меньше угадывать. Единая строка VoxCPM2 быстрее для пробы и сложнее для получения детерминированного результата; собственная карточка OpenBMB рекомендует генерировать от одного до трёх кандидатов, поскольку дизайн голоса и стиль различаются между запусками.

Если вы создаёте интерфейс, в котором продюсер выбирает голос из списка, более 100 встроенных китайских голосов Ming и пять встроенных английских голосов — это меню, которое можно отрисовать. У VoxCPM2 нет аналогичного набора — его голоса создаются или клонируются, а не перечисляются.

Языки, диалекты и паралингвистический слой

• Количество языков — Ming-3.0-tts-0.5B охватывает китайский, английский, немецкий, испанский, французский, корейский и японский, а также сычуаньский и кантонский как отдельные диалектные задачи. VoxCPM2 заявляет 30 языков. Ant протестировал пять некитайских языков; OpenBMB не публикует таблицу ошибок по языкам, которую мы могли бы проверить, поэтому «30» — это заявление об охвате без заявления о качестве.

• Диалекты — Ming представляет сычуаньский и кантонский как задачу без языкового аргумента. Список из 30 языков VoxCPM2 не разбит по диалектам в прочитанных нами материалах, и считать региональные варианты охваченными только потому, что охвачен язык, — именно та ошибка, которую призван предотвратить этот пункт.

• Встроенное управление — Ming предоставляет 14 тегов для дыхания, кашля, вздоха, смеха, нерешительности, удивления и вопросов на китайском или английском языке, а также для явного указания эмоций, скорости, высоты тона и громкости. В VoxCPM2 нет словаря тегов; её управление осуществляется префиксом описания на естественном языке.

• Слабое место, по собственному признанию Ant, — предложения с несколькими паралингвистическими событиями нестабильны, контроль эмоций ухудшается, когда текст не несёт эмоционального сигнала, а открытый голосовой дизайн не соответствует сильнейшей системе, с которой Ant проводил сравнение. Последнее — справедливое описание разрыва с хостинговым передовым голосовым решением, и это относится также к VoxCPM2.

Практическое разделение: выбирайте Ming, если вашему сценарию нужен смех, вздох или пауза-заминка в середине предложения. Выбирайте VoxCPM2, если вашему сценарию нужен язык, который Ming не поддерживает, или голос, созданный по письменному описанию, а не по именованному пресету.

Запускаю их: 8 ГБ против CUDA-пина

• Ming-3.0-tts-0.5B — тестировалась на NVIDIA H800-80GB и H20-96G с CUDA 12.4. Flash-attention необязательна, предусмотрен резервный вариант SDPA. Для нормализации текста требуется pynini==2.1.6, либо вы передаёте --no_text_normalization и принимаете, что в модель будут поступать необработанные числа и сокращения. PyTorch 2.6 — эталонная среда. Выходной сигнал — 44,1 кГц.

• VoxCPM2 — около 8 ГБ видеопамяти в bf16 для разработки и примерно 22 ГБ в пике на карте с 24 ГБ, Python 3.10 или новее, PyTorch 2.5.0 или новее, CUDA 12.0 или новее. Задокументированный коэффициент реального времени составляет около 0.30 на RTX 4090 в чистом PyTorch и около 0.13 с Nano-VLLM — примерно в два-три раза быстрее реального времени, или в восемь раз с сервинг-слоем.

Эти два абзаца описывают очень разные инженерные дни. Стек Ming — более новый и более хрупкий: зафиксированная библиотека FST, опциональное ядро, эталонное окружение, привязанное к конкретной сборке CUDA. VoxCPM2 существует с апреля и вобрал в себя шесть месяцев отчётов сообщества об установке. Это преимущество зрелости реально и временно — код инференса Ming был выложен в день написания этого текста, а репозиторий получил примечание о поддержке vLLM-Omni в коммите документации в тот же день после обеда.

Ни одна из моделей не предлагается провайдером хостингового инференса, которого мы смогли бы определить, и это не столько пробел в данном сравнении, сколько его предпосылка: обе представляют собой чекпойнты, которые вы скачиваете. Это действительно означает, что независимые данные односторонни. У Ming-3.0-tts-0.5B есть строка Artificial Analysis в обоих речевых рейтингах — 1 188 Elo в Provider Voice (интервал 1 173–1 203, диапазон мест 17–23, девятнадцатая строка списка, зафиксированного нами 19 октября 2026 года) и 1 069 в Controlled Voice (1 053–1 085, диапазон мест 10–18, тринадцатая строка в тот же день). По состоянию на наши последние снимки у VoxCPM2 нет строки ни в одном из рейтингов, и это отсутствие стабильно с апреля, а не является недавним пропуском. Таким образом, единственная независимая цифра в этой статье принадлежит Ming, и она вполне достойная; VoxCPM2 нечего ей противопоставить, и никакая честная статья не может выдумать очный Elo, который никто не измерял.

Лицензия, дообучение и вопрос, который никто не задаёт

Обе лицензии разрешают коммерческое использование. Ming распространяется под MIT — одной из самых разрешительных лицензий, которая требует только указания авторства. VoxCPM2 распространяется под Apache 2.0, которая добавляет явное предоставление патентных прав и исключение для товарных знаков. Для большинства команд различие носит административный, а не юридический характер, и обе являются однозначным ответом на вопрос анкеты закупки, тогда как некоммерческая лицензия — нет.

Настоящая асимметрия — это дообучение. VoxCPM2 документирует полное обучение с учителем и LoRA на пяти–десяти минутах аудио, а значит, вы можете сдвинуть модель в сторону конкретного говорящего или стиля с помощью небольшого набора данных и одного GPU. Ming-3.0-tts-0.5B не поставляет ни рецепта дообучения, ни скрипта обучения, ни пути LoRA в прочитанном нами релизе. Если вашему продукту нужна своя модель, а не модель, которой вы задаёте промпты, это не пробел в бенчмарках — это пробел в возможностях, и он определяет выбор ещё до того, как будет учтено хоть какое-то число Elo.

Ответ Ming на ту же потребность — дизайн голоса плюс клонирование: опишите голос или предоставьте клип. Это покрывает большинство потребностей производства и ни одну из тех, что связаны с обучением на проприетарном аудио в масштабе.

Где слой маршрутизации оправдывает своё место здесь

OrcaRouter не размещает у себя Ming-3.0-tts-0.5B или VoxCPM2. Ни для одной из них мы не можем выдать вам эндпоинт, и этот материал не будет делать вид, что это не так. Что маршрутизатор действительно охватывает в речевом конвейере — так это всё, что предшествует звуковой волне: модель, которая составляет черновик сценария, расшифровывает сокращения, решает, куда должен идти тег смеха, и переписывает предложение, которое вышло на 3,8 секунды, когда слот был 3,2. Это текстовые вызовы, и мы маршрутизируем более 200 текстовых моделей через один ключ по прайсовой цене провайдера с наценкой 0% — поэтому, когда поставщик снижает цену, это снижение действует у нас в тот же день, а не при следующем пересчёте цен. Автоматическое переключение при сбое позволяет этой половине конвейера продолжать отвечать, пока голосовая половина — это скачиваемый компонент, которым вы управляете сами.

Это честная граница. Роутер — неподходящий инструмент для чекпоинта, который вы запускаете на собственной GPU, и подходящий инструмент для моделей, которые решают, что чекпоинту поручат сказать.

Выбирать, не прячась за таблицей лидеров

Выбирайте Ming-3.0-tts-0.5B, если ваш контент многоязычный и точность слов — это та метрика, о которой спорят ваши заинтересованные стороны; если вам нужно покрытие голосов с приоритетом китайского языка с именованными пресетами; если встроенные эмоциональные теги являются частью формата сценария; если вы хотите MIT-чекпоинт размером 2.96 GB, который комфортно помещается на скромном оборудовании; или если количество параметров 0.5B — это разница между жизнеспособной и нежизнеспособной удельной стоимостью. Заранее учитывайте, что голос будет немного менее точно соответствовать референсу, чем у VoxCPM2, что код инференса существует всего несколько часов и что пути дообучения нет.

Выбирайте VoxCPM2, если идентичность голоса — это и есть продукт: дубляж, работа над персонажами, всё, где слушатель заметил бы дрейф клона; если вам нужен один из языков, которые не охватывает Ming; если вы собираетесь дообучать модель на собственном аудио; или если вам нужен стек, который устанавливается без сюрпризов ещё с апреля.

Решающий фактор при равных показателях недорог, и ни одна из приведённых выше цифр его не заменяет. Возьмите сто предложений собственного текста, один эталонный аудиофрагмент и прогоните оба варианта. Оцените слова с помощью ASR-модели, а голос — с помощью той же косинусной метрики, которую использовала Ant. Вы получите ответ по каждому языку за полдня, на своём контенте, со своими акцентами — это больше, чем может дать таблица вендора, построенная на публичном тестовом наборе, и значительно больше, чем таблица лидеров, в которой указана только одна из двух моделей.